簡析德國自動駕駛與車聯網發展策略
本文為「經濟部產業技術司科技專案成果」
為強化產業競爭力與發展深度技術，法國高等教育暨研究部（Ministère de l'enseignement supérieur et de la recherche）於2023年1月9日宣布將額外投資5億歐元，以培育更多的研究型新創企業。 基於2021年10月12日法國總統宣布的《法國2030投資計畫》（France 2030），法國政府將於五年內投入540億歐元於新創相關事務，且目前已於2022年達到成立25間獨角獸公司的中期目標。為進一步提高學研機構以研發成果衍生新創之數量，讓新創公司數量成長2倍，法國高等教育暨研究部部長Sylvie Retacleau與法國產業部（Ministre chargé de l'Industrie）部長Roland Lescure提出以下三大行動，並額外投資5億歐元執行： （1）建立25個大學創新中心（Pôles Universitaires d'Innovation, PUI）：法國政府將投入1.6億歐元，在大學網站上提供創新戰略、單一治理及敏捷方法，藉此激發研發團隊潛力及創意。PUI將在不額外增設法律規範之情況下，與現有政策結合推動上述措施。 （2）透過既有措施推動深度科技：透過i-Lab、法國科技新興獎學金、深度技術發展援助計畫等現有措施，以及增設法國科技實驗室獎學金，加速深度技術發展計畫。此外，未來也將提供6500萬歐元的補助。 （3）加強推廣研究工作及專題研究計畫（Programmes et équipements prioritaires de recherché, PEPR）成果：未來法國政府將投入2.75億歐元，挑選17項研究成果，建立評估研發成果之檢測及支援能力，並依領域性質，研究各領域專利證書、標準化和相關法規。
歐盟執委會委員要求行動通訊業者調降數據漫遊費用2008年全球行動通訊大會(Mobile World Congress)於2月11日在西班牙巴塞隆納展開，歐盟執委會負責資訊社會與媒體領域之委員 (EU commissioner for information society and media)Viviane Reding 出席大會並發表演講。在其演講中，Reding 要求歐洲之行動通訊業者降低數據漫遊之批發與零售價格，使消費者得以低廉的價格在漫遊時傳送文字簡訊或下載數據資料。Reding表示，儘管數據漫遊市場正在發展中，管制者不宜介入太深，但是，若行動通訊業者未能在7月1日前自願性地降低數據漫遊費率，則歐盟不排除採取管制措施。 此一演講內容引起正反兩極反應，行動通訊業者組成之GSM協會(GSM Association)發表聲明稿指出，行動數據漫遊市場正快速發展中，且業者正致力於發展各種創新服務，此時並非管制之成熟時機，若歐盟強行管制行動數據漫遊費率，則可能會扼殺各種創新服務之發展；不過消費者團體則認為，正由於其費率不受管制，業者往往向消費者收取不合理之漫遊費用，因此消費者團體支持歐盟採取管制措施。
強化AI安全防線：八國連署AI與機器學習供應鏈風險管理指南日本國家網路安全辦公室（国家サイバー統括室）於2026年3月5日，代表日本連署了「AI、機器學習供應鏈風險與緩和措施」（Artificial intelligence and machine learning Supply chain risks and mitigations）之國際文書（下稱本文書），並公布本文書內容。本文書是由隸屬於澳洲訊號局（Australian Signals Directorate，簡稱ASD）之澳洲網路安全中心（Australian Cyber Security Centre，簡稱ACSC）主導訂定，主要針對有導入或開發 AI、機器學習系統與元件等需求的組織，揭示其可能存在供應鏈風險與提升整體網路安全之重要性，並就AI開發或採購階段，組織應留意相關風險與可採行之緩和措施。有關連署國家，除了日本與澳洲以外，也包括加拿大、紐西蘭、韓國、新加坡、英國與美國等共八個國家皆已完成連署。 本文書內容強調組織於管理 AI、機器學習等風險時，應將 AI 供應鏈視為整體網路安全戰略的一環，同時評估產品或服務之整體生命週期風險，不應著重於單一技術，而是組織需要掌握整體供應鏈的全貌，包括特定關係事業者、活用AIBOM（AI物料清單，主要用來記錄AI模型相關資產與資訊，提供快速定位與管控AI問題模型功能）或SBOM（軟體物料清單，主要記錄軟體相依元件，用於漏洞管理與供應鏈透明度）、意識到是否已針對AI、機器學習系統可能帶來的風險，進行漏洞管理，以及針對AI、機器學習系統所導致之網路安全事件建立應處機制等。 本文書將AI、機器學習供應鏈風險大致區分為五類：AI 數據、機器學習模型、AI 軟體、AI 基礎設施（含硬體），以及第三方服務，本文書指出AI、機器學習應用於供應鏈時可能產生之風險，其中包括數據品質不良、資料受竄改、模型遭植入惡意程式碼、軟體元件複雜導致難以保證其安全、硬體與韌體擴大攻擊面，以及導入第三方服務致使供應鏈產生弱點等。 此外，本文書也針對各類風險提出可行的因應方法，例如： 1.數據面：需做標準化搜集、外部資料檢疫、資料前處理與完整性驗證。 2.模型面：需從可信來源取得透明模型，實施性能驗證與惡意程式偵測。 3.軟體面：需做完整性驗證、元件審核，並透過 SBOM 掌握已知弱點。 4.硬體面：需確認設備無惡意內容，並在網路中適當分區。 5.第三方服務面：需持續評估與監控供應商的資安實務與脆弱性管理。 總結來說，日本已意識到國家網路安全治理下，針對AI、機器學習的安全，不單是模型安全，而是涉及整體性供應鏈安全。日本藉由與他國連署國際文書，不僅強化國際合作，同時建立供應鏈網路安全共識，因應AI對於國家供應鏈之網路安全挑戰，從資料、模型、軟體、硬體到第三方服務等視角提出具體因應方法，作為全面提升國家整體網路安全環境之參考指引。日本透過強化與他國合作，提升國家網路安全治理之作法，值得我國未來借鏡參考。
電信業者提供視訊服務之外國法制研析